类型：知识笔记 · 报告精炼
来源：New Future of Work: AI is driving rapid change, uneven benefits — Microsoft Research（2026.04.09）
作者：Brenda Potts（博客），报告由数十位作者和编辑共同完成
关键词：AI 采用 · 生产力 · 劳动市场 · 人机协作 · 团队 AI · 认知变化 · 软件工程 · 科学研究
一句话总结
AI 进入职场的速度比大多数历史技术都快，但谁在用、怎么用、谁受益，分布极不均匀。未来的工作不是"发生在我们身上的事"，而是我们正在通过每一个选择主动构建的东西。
报告背景
这是微软研究院连续第五年发布的《New Future of Work》年度报告。前几年聚焦的是远程办公和自动化对生产力的提升，今年的转折点是：生成式 AI 不再只是加速现有工作流，它开始参与工作流本身——影响人们如何创造、决策、协作和学习。
报告综合了微软内外的大规模数据分析、实验室研究、田野调查和理论模型，覆盖六大主题。
一、采用现状：谁在用？怎么用？
关键数据
| 指标 | 数据 |
|---|---|
| 德国在职者 AI 使用率 | 38% 报告在工作中使用 AI |
| 性别差异 | 男性报告使用 AI 频率高于女性（原因尚不明确） |
| 全球趋势 | 高收入国家总体领先，但低/中收入地区增长最快 |
| Anthropic Claude 使用分析 | 37% 的对话集中在软件和数学相关岗位 |
| Microsoft Copilot 分析 | 高度适用于销售、媒体、技术和行政类信息工作者 |
核心洞察
- 不均匀的采用 → 不均匀的收益。使用 AI 的人会获得生产力提升、学习机会和更好的职业路径；不使用的人则不会。这种差距会随时间扩大。
- 语言鸿沟：当本地语言支持不足时，用户被迫切换到英文来获得可靠结果。如果不投资多语言模型和基础设施，AI 将加剧而非缩小现有的全球差距。
- 采用更多由文化驱动，而非战略文件。人们在信任雇主、感到安全时才会尝试新工具；在觉得工具是来取代自己时会拒绝。最有用的应用往往不是自上而下的，而是员工自己摸索出来的。
一个有意思的感知偏差
多项研究显示，使用 AI 的员工会被认为能力更差，即使他们的产出与未使用 AI 的人完全一样。不过，自己用过 AI 的管理者评估 AI 辅助工作时更公正。这说明 AI 需要广泛的曝光才能被无偏见地使用。
二、生产力与劳动市场：AI 帮了谁？伤了谁？
生产力的两面
好的一面：
- 企业用户自述每天节省 40-60 分钟
- 前沿模型在越来越多任务上接近专家水平
坏的一面：
- 美国一项调查中，40% 员工表示过去一个月收到过「workslop」——看起来光鲜但实际不准确或没用的 AI 生成内容
- 当 workslop 出现，省下的时间会被迅速吞噬，质量反而下降
对劳动市场的影响
| 发现 | 说明 |
|---|---|
| 整体就业 | 大规模实证研究尚未发现 AI 对失业率、工时、岗位空缺的明确总体影响 |
| 年轻人冲击 | 22-25 岁工人在高 AI 暴露岗位的就业下降了 16%（相对于类似但低暴露岗位） |
| 初级岗位 | 企业采用 AI 后，初级岗位招聘出现放缓 |
| 技能需求变化 | 提及 AI 技能的岗位发布中，分析思维、韧性和数字素养需求翻倍 |
| 可外包任务 | 数据相关任务、常规翻译等容易交给 AI 的工作，需求持续下降 |
最值得警惕的点
自动化入门级岗位 → 摧毁专业能力培养路径。 初级岗位往往是人们学习技能的起点，如果这些岗位被 AI 取代，未来怎么培养专家？这不是一个短期效率问题，而是一个长期能力建设问题。
三、人机协作：不是合作，是在学习怎么合作
Common Ground（共同基础）
有效协作的核心是共同理解。人类对话中充满了确认、澄清和追问——而当前 AI 系统经常跳过这些步骤，直接假设自己理解了就输出。研究表明这会导致交互失败。
好消息：像 CollabLLM 这样的系统，通过让 AI 主动提问和多轮交互，已经表现出更好的任务完成度。
信任的悖论
- AI 能处理海量信息，但不理解人类目标时，使用 AI 反而比不用更差
- 人们普遍高估 AI 能力，导致在不该用 AI 的时候也交给了 AI
- 支持选择性委派的系统可以改善这一点——关键是让 AI 在回应时也考虑到用户的选择性
角色转变
| 传统角色 | AI 时代角色 |
|---|---|
| 从头写代码 | 审查和优化 AI 生成的代码 |
| 从头写文章 | 策展和编辑 AI 产出 |
| 生产者 | 评审者、引导者 |
这要求新技能：写好 Prompt、审查 AI 输出、保持质量把控。而当前的对话式界面往往太简陋，无法支撑这些需求。
新型界面的方向
- AI 推理过程的可视化
- 共享编辑空间
- 混合主导系统（人和 AI 轮流主导任务）
目标：保留人类能动性的同时，让 AI 更透明、更可控。
四、团队 AI：一个反直觉的发现
核心问题
AI 系统是为个人设计的，不是为团队设计的。 当人们作为团队使用 AI 时，表现甚至不如一个人使用 AI。
两种研究方向
| 方向 | 做法 | 例子 |
|---|---|---|
| 过程导向 | 让 AI 辅助特定团队流程（信息共享、讨论促进） | 魔鬼代言人视角、放大少数派观点 |
| 结果导向 | 训练端到端 AI 系统，从团队长短期结果中学习 | 帮助团队做决策、推动会议达成目标 |
一个有趣的理论视角
即使是个人与 LLM 的交互，本质上也是一种「集体智能」——LLM 聚合了数百万人在 Reddit、Wikipedia 等平台上写下的知识。每次和 LLM 对话，你都在和数百万人的工作成果互动，只是省去了那个规模的协调成本。
最具前景的应用
AI 可以让更短暂的团队成为可能——在一个组织内（甚至跨组织），精准地把对的人聚在一起解决特定问题，解决完就散。这种模式之前的协调成本太高，AI 可以极大地降低它。
五、认知与学习：从"做中学"到"选中学"
最深刻的一个转变
传统：thinking by doing — 通过写文档来思考
AI 时代：choosing from outputs — 通过选择 AI 的输出来"思考"
如果不刻意干预，这会削弱维持专业能力所需的判断力和实践。
风险
- AI 在错误时间介入创意过程，会降低原创性和自我效能
- 反复的认知外包（cognitive offloading），即使后来去掉 AI，影响也会延续
- 教育中大量使用 AI 总结和综合，可能让学习变浅——学习需要的是「可取的困难」（desirable difficulties）
对策
| 场景 | 建议 |
|---|---|
| 创意工作 | AI 应该帮助反思和挑战，而非直接替代 |
| 编程教育 | 从记忆语法转向抽象思维和问责能力（问题建构、批判性审查） |
| 职场培训 | 把 AI 定位为「思考伙伴」而非「答案机」，培养验证和校准习惯 |
| 通用 | 先自己尝试，再用 AI 辅助；AI 提供选项和批评，人做最终决定 |
情感支持的风险
对话式 AI 越来越多被用于社交和情感支持，但拟人化行为的后果因用户和场景而异。需要更清晰的定义和度量来理解何时系统「看起来像人」以及这会带来什么后果。
六、具体行业：软件工程与科学研究
软件工程
边界在模糊：
- PM 报告做更多技术工作，写更多代码
- 开发者更多参与高层规划和概念思考
Vibe Coding 的发现：
- 经验丰富的计算机科学学生 vibe coding 比新手好——能用更少的定向 prompt 引导模型
- 随着信任建立，工作变得更像共创——工程师通过持续迭代保持 flow 状态
一个被破除的迷思：
「AI 采用主要取决于模型能力」——不对。文化、工具链集成度、团队信任感、组织支持同样关键。
科学研究
加速效果：
- AI 帮助研究者发现有前景的想法、重溯已知结论、发现跨领域联系
- 对早期职业研究者和非英语母语科学家的帮助最大——AI 同时充当协作者和高级工具
新风险：
- 数据来源、问责和可复现性在生成式 AI 参与后变得更复杂
- Prompt 的微小变化可能显著改变结果，使验证更困难
- 模型可能不标注来源地复述想法，或产生幻觉
- 谄媚回应（sycophantic responses）可能让科学家高估 AI 输出的新颖性或正确性
报告的核心信息
五个 Takeaway
- AI 让工作的边界变模糊了：PM 写代码、开发者做规划、个人承担团队级别的产出
- 不用 AI 的人正在掉队——不是因为 AI 多好，而是因为用 AI 的人已经开始用它扩展能力
- 年轻人的入门路径可能被堵上——初级岗位缩减不只是效率问题，是能力培养链断裂
- AI 改变的不只是产出质量，还有人的认知方式——从主动思考到被动选择，这种转变需要主动干预
- 未来不是发生在我们身上的，是我们正在建造的
与我们已有内容的关联
| 报告主题 | 我们的文章 | 关系 |
|---|---|---|
| AI 疲劳 / workslop | 《AI让我写了史上最多的代码，也让我史上最累》 | 报告用数据（40% 员工收到 workslop）证实了这个现象 |
| 谄媚 AI / 过度信任 | 《AI越哄你，你越蠢》 | 报告引用了同一方向的研究，在科学研究场景中再次提及 |
| Vibe Coding | 《一个 Vibe Coder 从第一行代码开始补课》 | 报告提出有经验的学生 vibe coding 更好，与 Sarah Chasins 的观点一致 |
| 美术行业冲击 | 《一张插画从三万砍到一万》 / 《AI杀死了我的工作》 | 报告的「可外包任务需求下降」涵盖了这类影响 |
| 游戏行业裁员 | 《GDC从业报告：全是坏消息》 | 报告的「年轻人就业下降 16%」提供了更精确的全行业数据 |
本笔记基于 Microsoft Research Blog 文章及 New Future of Work 2026 报告内容整理。报告原文约 3,200 词，本笔记为结构化精炼，保留了全部关键数据和核心论点。